孪生网络共享权值

㈠ 在caffe上怎么做到各个卷积层权值参数共享

通过设置param {name : xxx}参数，如果名字相同就共享，不相同就不共享

㈡ 文稿匹配是什么意思

文本匹配:
1. 概述
文本匹配，旨在研究两段文本之间的关系。常用于文本语义相似度（Semantic Textual Similarity & Paraphrase Identification）、问答匹配、自然语言推理（Natural Language Inference/ Recognizing Textual Entailment）、信息检索（Information Retrieval）等领域。

常见的文本匹配策略分为两种：表示式(Representation-Based)和交互式(Interaction-Based)。

表示式策略基于孪生神经网络（Siamese Network）架构，两个主干网络共享权重，在起始阶段，即对两段文本进行独立处理。首先，在统一的语义空间中，基于神经网络对两段文本各自计算其表征(语义向量)；而后，基于得到的文本表征，来计算两段文本的相似度。
这样得到的单句文本表征，不会随着句子对(sentence pair)的变陪散化而变化，因此只需一次计算，即可离线判枣存储文本的表征。两个极芦冲氏具代表性的工作为DSSM、Sentence-BERT。

㈢ 数字孪生系统中的关键技术有哪些

（1）三维孪生模型：数字空间要根据实体设备建立对应功能的三维孪生模型

㈣ 两个男的是孪生兄弟共同跟一个女的在一起的小说

《二与一为三》
讲的是两个孪生兄唤伏兄弟都爱上了女主角，结局是女主角生下了男主角的孩羡携子，然后又相遇了。
《天下兄弟》
讲的是孪生兄弟同时爱上一个女人，殊途同归的命运故事。。。。
《折翼天使》
讲的是有关青春迷惘的小说。。。。。。。。
不知道有没你链丛要的，满意请采纳！！！！！！！！！！！！！！！！！！

㈤ 我们可以把自己虚拟化了！数字孪生如何改变城市与个人

文 |陈龙

本文授权转载自：集智俱乐部

导语

资深智慧城市研究者、华为公司智慧城市高级顾问王鹏，受邀在腾讯研究院×集智俱乐部 AI&Society沙龙上发表以“从城市数据到智慧城市”为题的演讲。笔者回顾了王鹏对城市数据及其应用的，并结合清华大学龙瀛团队在人类数字化上的最新研究，提出对城市和个体虚拟化的探讨。讲座视频实录请见文末小程序与网页链接。

源于工业4.0的数字孪生

数字孪生（Digital Twin）这一概念最早可以追溯到Michael Grieves教授2002年在密歇根大学PLM（产品生命周期管理）中心对产业界做的一次演讲（虽然没有书面证据，但这仍被广泛认为是数字孪生最早来源）。

2014年，Michael Grieves在其撰写的“Digital Twin: Manufacturing Excellence through Virtual Factory Replication”白皮书中进行了详细的阐述。他认为通过物理设备的数据，可以在虚拟（信息）空间构建一个可以表征该物理设备的虚拟实体和子系统，并且这种联系不是单向和静态的，而是在整个产品的生命周期中都联系在一起。

在此之后，数字孪生的概念逐步扩展到了模拟仿真、虚拟装配和巧扮袭3D打印等领域。随着物联网技术、人工智能和虚拟现实技术的不断发展，更多的工业产品、工业设备具备了智能的特征，而数字孪生也逐步扩展到了包括制造和服务在内的完整的产品周期阶段，并不断缺穗丰富着数字孪生的形态和概念。

企业界走在数字孪生的前列。工业4.0下的数字孪生被各大软件厂商赋予了各自的理解，并将其与自身业务融合，致力于打造出现实世界与虚拟世界融合的解决方案。

美国通用电器公司（GE）与ANSYS公司借助数字孪生这一概念，提出物理机械和分析技术融合的实现途径，让每个引擎，每个涡轮，每台核磁共振都拥有一个数字化的“双胞胎”，并通过数字化模型在虚拟环境下实现机器人调试、试验、优化运行状态等模拟，以便将最优方案应用在物理世界的机器上，从而节省大量维修、调试成本。

西门子引用数字孪生的概念，来形容贯穿于产品生命周期各环节间的数据模型。通俗地说，数字孪生就是仿真模拟一些工厂的实际操作空间，从产品设计到产线设计，到设备制造方的机械设计和工厂的规划排产，到最后制造执行和产品大数据。

法国软件公司达索系统在数字孪生创新协作和验证中，不仅重视产品的数字化表现，更试图通过三维体验平台实现设计师和客户之间的互动。

德国软件公司SAP基于Leonardo平台在数字世界打造了一个完整的数字化双胞胎，在产品试验阶段采集设备的运行状况，进行分析，得出产品的实际性能，再与需求设计的目标比较，形成产品研发的闭环体系。

简而言之，工业4.0下的数字孪生，更多是为制造业提供了产品在物理空间和虚拟空间之间的映射关系，以及在实体世界以及数字虚拟空间中记录、仿真、预测对象全生命周期的运行轨迹的过程。

物理世界和数字副本

数字孪生：催生智慧城市2.0

值得注意的是，数字孪生的概念不仅活跃在工业4.0的制造业，也越来越频繁地出现在智慧城市领域。随着ICT（信息、通信、技术）成为智慧城市发展的主要动能，移动通信、互联网、云计算、传感器、人工智能、量子通信在智慧城市都得到了广泛应用。全域感知、数字模拟、深度学习等各领域的技术发展也即将迎来拐点，这使得城市的数字孪生应运而生。

中国智慧城市数字孪生的发展还有很长一段路要走。数字孪生高度依赖传感器所采集的数据和信息，而就目前的技术水平来看，精细化尺度下城市数据的全域感知和 历史 多维数据的获取，依旧有难度。物理实体空间的数据不够详尽，将直接导致其数字副本的缺失。现阶段的数字孪生距离想象中孝兄的沙盒系统模拟推演、人工智能决策等功能仍有很大差距。

数字孪生在智慧城市发展与建设中的核心价值在于，它能够在物理世界和数字世界之间全面建立实时联系，进而对操作对象全生命周期的变化进行记录、分析和预测。智慧城市中的数字孪生可以分为四个阶段，分别是

对城市现状进行精准、全面、动态映射的现状孪生；

从 历史 数据中学习、分析、识别、总结并发现城市运行规律的学习孪生；

人工监督下模拟不同环境背景下的发展情景的模拟孪生；

最终通过实时数据接入与人工智能自动决策的自主孪生。

同时，我们也应看到数字孪生在传感器、5g和边缘计算技术不断发展中所具备的巨大潜力。传感器的高密度部署与高精度感知，结合5g和边缘计算的实时结构化计算回传，对城市物理空间的全域感知和实时更新，将是5g时代的常态。一砖一瓦、一草一木、一桌一椅、一人一车，都会以不同的频率更新位置和状态信息，从而实现真正的“全息”虚拟城市。

城市数据：数字孪生的DNA

在智慧城市的建设中，数字孪生的核心在于构建与城市物理空间全面映射的虚拟（信息）空间。不同于制造业产品周期管理中被制造商全面掌握的产品信息化数据，城市作为一个庞大的复杂系统，其包含的物理空间及过程，无时无刻不在产生着多维的海量大数据，这无疑在数据收集、处理、运算、储存和管理上向城市数字孪生提出了挑战。

近年来，以数据为核心的城市生态链构架了智慧城市的顶层设计，形成以共享信息为中心、各行业协同实现的“感知-应用-共享信息”的智慧城市模式。与此同时，在大数据、人工智能、云计算、物联网等新兴ICT技术的推动下，多维的海量城市数据也逐步以不同方式被挖掘并应用在智慧城市的研究和实践中。

传统城市统计数据的电子化与空间可视化是城市大数据发展迈出的第一步。基于GIS平台上对行政边界的勾绘，并将其与传统的年鉴统计数据相匹配，就能实现传统数据的电子化与可视化，并依托GIS空间分析功能实现空间可视化与分析。

Cityeye上对传统统计数据的电子化与空间可视化

互联网大数据的应用标志着城市真正迈入了大数据时代，而互联网大数据也俨然成为近年来城市研究的“宠儿”，无论是学界还是业界都在积极 探索 互联网大数据为城市研究和发展带来的诸多可能。

互联网大数据最大的优势在于其打破了传统数据自上而下的数据采集壁垒，而是以自下而上的方式提供着精细尺度下的多维数据，如记录城市内所有地理实体空间位置与属性的兴趣点（POI）数据；反映话题热度与用户画像的社交媒体大数据；实时展示人口空间分布的热力图等。

而随着智慧城市的到来，传感器技术的进步与成熟为城市研究提供了另一条数据获取之路。

通过多模块集成传感器在城市内部的架设，可以实现精细尺度下城市环境、人车行为等数据的实时感知与收集。如由City Grid城市网格数据监测站，可利用多模块传感器网络监测人车流量及环境质量，如风速、风向、光照、温湿度和pm2.5等。City Grid是一款针对城市空间精细化感知的物联网产品，也是传感器技术应用在城市全域感知、数据采集，乃至实现城市未来微观环境与人车行为预测的经典案例。王鹏团队也曾多次利用City Grid多次在清华大学校园和白塔寺社区内进行监测布点、数据采集，并针对城市环境和人群行为开展深入分析。

City Grid城市网格数据监测站

LBS数据（基于位置服务的数据），通过运营商采集用户与基站间不间断的信令数据，来获取移动服务用户相对精确的实时空间位置。因其具备用户量大，覆盖范围广等特征，是描述城市人口数量和空间分布的“终极”数据。

我们把自己数字化了！

Digital Self 数字自我

在感叹数字孪生如何颠覆性地改变制造业和城市管理与运营的同时，有学者已经开始 探索 如何打造人类个体的数字双胞胎。

清华大学龙瀛团队的研究助理张昭希近期发表了一篇题为“Application of wearable cameras in studying inpial behaviors in built environment”的期刊论文，提出创新性地使用可穿戴式相机对个体行为和城市空间感知进行数据收集、分析与模拟。

研究团队利用便携式相机，记录佩戴者正前方每5分钟一张的图片数据，并通过人工识别、计算机视觉分析和色彩识别分析等手段，对佩戴者个体行为特征、时间分配、路径转移、场所事件等要素进行了分析研究。研究结果表明，可穿戴式相机采集到的图片数据具有丰富的个体行为与时空信息，可以有效描述个体在空间中的行为特征。

数字化的“生命日志”

随着大数据在城市研究中的广泛应用和快速发展，基于建成环境层面的形态要素数据（如遥感、街景和POI数据）和多种互联网数据（如微博、点评和手机信令数据）开展的针对大规模群体的研究，为利用大数据解释城市问题提供了大量案例参考，并逐步建立了理论基础。然而，这些基于较粗尺度城市物理空间，抑或是大规模群体的大数据，仍较难被应用于个体的深层剖析和研究解读。

而可穿戴式相机为大规模采集个体数据提供了新的契机，通过记录的图片数据将个人活动信息数字化，形成“数字自我”的 电子档案，弥补了现有研究中对个体行为数据采集不够连续、维度不够丰富的问题，这也是从城市环境数据化向个体行为信息化的转变之一。同时，个体行为信息化也将推动研究方法的革新和新技术的介入，从主观的“个体感知”转向客观的“量化研究”。

从数字孪生的角度来看，基于可穿戴式相机记录下的图片数据，通过整理和分析可以剥离出个体在物理空间中的行为特征要素，进一步将这些个体行为特征要素在时空上数字化，从而构建了其在虚拟（信息）空间内的数字双胞胎。同时，图片数据中包含的大量物理空间建成环境要素同样可以被数字化并记录在虚拟空间内，从而反映物理空间和虚拟空间内个体和环境之间的交互。

科技 的日新月异不仅使人们的生活方式发生了巨大改变，同时也影响着城市运行的方方面面。不可置否的是，新技术的高速发展给城市研究与实践带来了新的机遇，推动着城市规划技术和工具的突破与创新。如龙瀛提出的数据增强设计，允许规划师们借助多维城市大数据对城市做出更全面、精准的分析与规划设计响应。

同时，在信息通讯技术革新的助力下，数据储存、挖掘、云计算和可视化等技术的完善也为研究城市提供了新视角。人们的思维方式从传统的机械思维向大数据思维转变，认知方式也逐渐向虚实结合的体验过度。城市数字孪生、数字自我的概念也将在第四次工业革命的技术革新下拥有更丰富的内涵。

参考资料

[1] 王鹏：展望未来城市，万物皆可运营 | 智慧城市长文综述

[2] 王鹏：城市数据到智慧城市

[3] Long, Y. (2019). (New) Urban Science: Studying New Cities with New Data, Methods and Technologies. Landscape Architecture Frontiers, 7(2), 8-21.

[4] Zhang, Z. X., & Long, Y. (2019). Application of Wearable Cameras in Studying Inpial Behaviors in Built Environments. Landscape Architecture Frontiers, 7(2), 22-37.

㈥ 数字孪生为数据中心插上“可持续”的翅膀

为了能以更加可持续的方式运营企业，企业对数字基础设施的要求也越来越高，不止是出于成本和效率的考量，从环境的角度也是如此。

Equinix全球IBX运营工程副总裁Arno van Gennip表示：“从设计到施工再到设施管理，数字孪生正成为提高数据中心效率和减少客户碳排放的关键。”

数字孪生有助于将来自不同重点领域的数据集中到共享环境中，这使得IT、工程、财务、采购、施工团队能够在流程中，更早地 探索 和模拟性能、财务和环境等各种因素之间的权衡。设备和空间利用方面的各种效率提升，带来的直接影响就是降低能耗和减少碳排放。数字孪生还有助于提高建设和运营效率，减少浪费、降低人员配备要求和相关环境影响。

很多企业和数据中心运营商（例如Nvidia）可能会从各种结合了工程、CAD和数据中心信息管理(DCIM)功能的仿真建模工具中打造出数字孪生工作流。越来越多的DCIM厂商（例如施耐德电气）将数字孪生功能直接引入他们的工具中。达索系统和Future Facilities等厂商为数据中心提供了集成度更高的数字孪生。Nvidia等厂商也开始推出Nvidia Air这样用于优化数据中心物理和逻辑布局的新工具。

投入运营中

Equinix与Future Facilities展开合作，面向企业数据中心构建数字孪生。数字孪生可以帮助工程师确保冷却系统和连接生态系统提供所需的容量和最佳效率。工程师可以对比数据中心的预期行为和实际行为，以及能源使用的情况。

“这让我们能够深入了解有关维护和优化能源效率的各种可能性，”van Gennip说。

Equinix工程师和合作伙伴一起构建了物理数据中心的3D模型。这种数据中心孪生模型是基于各种因素建模的，例如数据中心内计算设备的容量和密度，以及冷却银亏液系统的路径。集中式数字孪生平台可以帮助工程师使用实时数据（例如功率和温度）预测预计的变更对配电、空间利用和冷却路径可能带来的影响，这些实时数据整合到现有模型中，用于进行准确的分析和预测，从而使数据中心孪生可以通过预测能源需求提高效率。

达索和很多领先的超大规模数据中心企业展开合作，设计和建造下一代数据中心。

“他们面临的最大挑战就是如何缩短项目准备时间，以跟上不断增长的需求，以及如何通过减少建设和运营期间的能源、水消耗和浪费，让数据中心更具可持续性，”达索公司架构、工程和建筑(AEC)行业销售战略总监Marty Rozmanith这样表示。

让管理更轻松

数据中心房地产投资信托公司Digital Realty的全球建筑管理优化总监Kasper Dessing认为，以前数据中心管理被分成多个孤岛，每个孤岛都专注于管理设施的某一个方面。

因此，不同领域的管理者可能无法看到更大的格局。无论是现在还是将来，在考虑设施维护的时候，这一点都尤为重要。数据中心会产生大量的数据，而人类无法很好地捕获、汇集和管理这些数据。随着数字服务变得越来越复杂，这种情况只会变得越来锋物越糟糕。

Dessing说：“通过数字孪生，我们能够以虚拟的方式呈现设施内的各种元素和各种动态，以及在各种操作场景下实时模拟实际行为。”

Digital Realty发现，由于数据量庞大，并且不同组件之间存在相互依赖性，因此通用数据中心的运营情况还不够好。正因为如此，Digital Realty将他们的设施数字孪生和专有的人工智能和机器学习平台进行集成，分析数千个数据流，从而能够跟踪设施内的所有组件并进行实时调整，还可以对未来行为进行预测，从而展开预测性维护，节省空桥时间和降低成本。

这种对设施和不同组件之间关系的可见性，有助于改进新的设施设计，使其更高效。不仅如此，Digital Realty还利用数字孪生和他们的人工智能平台来优化能源消耗。

Dessing说：“可持续性是我们的首要任务，优化每个设施的能耗有助于我们在降低成本的同时，减少对环境的影响。”

并非所有人都具备在决策的同时进行模拟的这一技术专长，因此，Digital Realty将一种推荐引擎集成到了他们的数字孪生平台中。

“这样就可以让更多的人使用该技术，而不必一直依赖专家。”

把碎片组合在一起

设计、建造和运营数据中心的过程中会产生大量的数据，这些数据被保存为不同的格式，存储在不同的系统中。Rozmanith说，通过适当的访问控制和变更管理来管理和组织数据，这非常有挑战性。数字孪生可以带来多个学科、不同发展水平(LOD)和多个维度的数据，这让不同利益相关者可以实时地围绕单一事实来源展开协作。那些更为复杂的数字孪生技术则结合了各种技术，使用一种集成数字孪生来模拟热、结构、电气、控制和监控、制造和组装等过程。

Rozmanith解释说：“有了一个通用的平台，所有人就都围绕着单一事实来源展开工作，这不仅节省了时间，还提高了质量和整体数据中心交付能力。这个平台对我们来说就是一个变革的推动力。”

埃森哲云首席技术专家Teresa Tung表示：“随着我们整合更多数据和模拟来连接工程设计、施工调度和运营流程，不同的数字孪生之间的互操作性已经变成了一大挑战。”

Tung的团队正在与数据中心厂商展开合作，将数据和领域专业知识应用于分析过程中，以确定驱动假设预测所需的模拟数量和配置，他们使用领域知识图（和用于互联网搜索中的技术相同）来捕获这些需求并映射不同元素之间的关系。

施耐德战略计划总监和解决方案架构师Carsten Baumann表示，提供商越来越多地向DCIM工具中添加数字孪生功能，以便在实际实施部署之前对基础设施升级可能带来的影响进行模拟。他认为，开放标准可以简化数据中心设备和管理工具之间的集成，从而可以更轻松地将数字孪生作为日常数据中心工作流程的一部分。

下面就让我们来详细看一看，数字孪生提高设计、施工、运营和规划可持续性的19种方式：

设计

放置新服务器

“也许在数据中心行业，使用数字孪生技术带来的最大影响就是气流管理和IT设备放置问题了，”Baumann说。

部署计算、存储和网络资源的需求快速增长，随之而来的是基础设施上的巨大挑战。特定机架或者特定位置还有物理空间，并不意味着有足够的电源、接入和散热能力。

看似简单的安装部署，可能需要对电源进行重大升级或者更好的替代方案时，数字孪生就可以帮得上忙了。

增加密度

增加数据中心的设备密度，可以减少新设施对气候带来的影响。

Information Services Group(ISG)企业敏捷性总监Loren Absher表示，数字孪生有助于优化数据中心设计，改善电源、布线、冷却要求、气流甚至活动地板完整性等所有相关元素，以防止灾难性故障的发生，此外还可以为增加密度所需的物理工作流程变更提供帮助。

提高热性能

冷却是数据中心的第二大能源消耗因素，仅次于设备本身。现代数据中心的冷却系统包括冷却器、管道和HVAC设备。

数字孪生可以使用热模拟来了解冷却系统的行为并提高其性能。

Rozmanith说，有些经常将代表冷水机组数量和管道尺寸变化的设备链的1D模拟，与气流的3D计算流体动力学(CFD)分析结合起来，找到冷空气和设备冷却之间的最佳平衡，以优化能源消耗。

评估季节性影响

Techstrong Research董事总经理、联合创始人Dan Kirsch表示，数字孪生还可以帮助数据中心设计师更好地规划季节性气候变化，让设计师可以根据外部季节性气候变化的影响提前规划，以降低总体运营成本和能耗。

“数字孪生让我们可以根据客户的特定需求和现场条件进行真正的定制和优化设计，而无需进行实地实验，”Kirsch说。

创建模块化组件

达索与大型数据中心运营商展开合作，打造了可以在不同数据中心设计中重复使用的模块化组件。

Rozmanith表示，数字孪生可以帮助企业定义和配置这些模块的属性，从而通过按订单配置的方法，缩短设计、采购和安装时间，从而有助于减少新建数据中心的环境影响。

测试和验证设备

NTT全球数据中心美洲产品高级副总裁Bruno Berti表示，他们正在使用数字孪生来测试和验证设备，然后再将其部署到数据中心内。

这些新的工作流程让他们可以构建和测试电气和发电机模块，这样工程师就可以在产品投入生产之前发生任何潜在的过程故障，减少了废弃物对环境的影响并改进了风险评估，加速了新产品的开发，提高了数据中心的可靠性和弹性。此外，数字孪生还有助于安排预测性维护，降低维护成本。

优化电池性能

数据中心设备生产企业Vertiv的首席创新官Greg Ratcliff表示，数字孪生可以用于建模和设计系统，以改善电池 健康 状况和预期寿命，从而减少制造新电池带来的环境影响。在这种情况下，数字孪生可以帮助团队使用电池 健康 测量和设施详细信息，来模拟不同的设计选择，预测每个电池的 健康 状况和使用寿命。

Ratcliff表示：“如果电池组中的单个电池出现故障，那么整个电池组都会出现故障，所以监控每个电池的运行状况是至关重要的。”

评估环保型替代品

数据中心运营商可以利用数字孪生技术来评估新方法的性能、环境效益和潜在缺陷。

例如，Kao Data利用数字孪生工具来虚拟地测试和部署无制冷剂间接蒸发冷却(IEC)系统，该系统使用水蒸发代替机械系统在炎热天气冷却空气。这种方法帮助Kao Data提高了电力利用效率，减少了对环境的影响。

建筑

精简施工

数字孪生可以模拟复杂的任务、装配、设备使用和人身安全，还可以改善供应商、集成商和承包商在设计和施工生态系统中的协作，以消除流程中的摩擦。

Rozmanith说，更好地模拟和协作，可以缩短施工时间、减少问题发生、避免返工、以及减少信息请求和安全事故的数量，这帮助达索的客户将面市时间平均缩短了10-15%，减少了与施工时间较长可能带来的环境影响。

减少建筑垃圾

数据中心设计师正在使用数字孪生来更好地规划施工，以便工作人员可以更高效地工作，减少浪费，缩短不同施工阶段之间的时间。

Kirsch说：“通过创建数据中心的虚拟模型以及完整的材料清单，设计人员可以优化施工人员组装数据中心的每一个细节。”

这种规划方法可以减少一个团队在其他团队完成任务等候的时间。而通常来说，减少数据中心建设过程中的浪费并非易事，Kirsch说，这个过程中很多组件是无法重复使用或者回收的，最终只能进入垃圾填埋场。

运营

提供维护建议

数字孪生有助于确定问题的根本原因，并为快速修复提供维护建议，以减少能耗。

例如，Equinix位于阿姆斯特丹的工厂采用了一种数字孪生模型，根据模型显示，他们必须清洁冷却塔和调整风扇，以前这两项维护的能耗都要高于模型预期的水平。van Gennip表示，数字孪生让已经比较高效的数据中心IBX能源效率进一步提高了10%。

延长资产寿命

达索的虚拟数字孪生可以将人工智能和机器学习算法的操作数据情境化，用于改进预测性维护。Rozmanith说，这延长了设备的使用寿命，从而减少了电子垃圾。而且，虚拟孪生还可以通过提高冷却和电力系统的效率来优化能源和水的使用。

提高维护和维修效率

数字孪生可以对维护、维修和翻新所需的所有信息访问进行简化，包括访问文档、用户手册、维护手册、材料供应商信息和备件清单等信息。Vertiv定制空气处理和模块化解决方案副总裁Lorenz Hofmann表示，这可以节省时间和减少工作量，从而减少二氧化碳的排放量。

数据中心流程自动化

流程挖掘功能的改进，可以帮助数据中心领导者了解他们的团队如何与应用进行交互，并对数据中心环境的变化做出反应。

ABBYY流程智能高级总监Ryan Raiker表示，使用数字孪生理解和记录程序，有助于数据中心团队发现候选的自动化方法，还可以实施不同的协议，以便在故障实际发生时采取行动，确保数据中心正常运行并减少故障和浪费的发生。

改善托管服务提供商和企业之间的协作

托管数据中心可以让多个企业共享同一个数据中心，但是当企业客户决定安装新设备的事后，可能会对周边其他企业的设备产生电力、热量和重量上的影响。

法国Thésée DataCenter与Future Forward展开合作，在云中部署每个设施的数字孪生，这种数字孪生让客户能够通过Web服务端模拟他们自己或者附近设备预期变更可能带来的影响，从而有助于Thésée的工程师与客户展开协作，提高他们的数据中心空间使用率，减少建设新数据中心的需求。

规划

确保满足合规性要求

NTT正在研究通过数据孪生帮助企业收集与业务相关的数据，并对这些数据实施标准化。数据孪生将企业数据源及其相互关系复制为标准格式，为分析和报告提供一个集中的位置。

NTT Data Services SMART解决方案副总裁Bennett Indart表示，这将有助于提供数据中心在实现可持续发展目标方面取得的进展，以及发现新的机会进行改善。

改善财务决策

NTT公司的Berti表示，NTT已经开始把财务数据整合到他们的数字孪生中，这有助于NTT在计划过程中使用实时数据和高级分析功能来审查材料和人工成本。

此外，这还有助于确定调整制造价值链从财务方面看是否合理，以及预期结果是否会降低数据中心的运营成本。

评估数据中心迁移带来的影响

埃森哲与卡内基梅隆大学合作开发了一个名为myNav Green Cloud Advisor的数字孪生模型，该模型让企业可以衡量数据中心和云提供商之间迁移的可持续性影响。

埃森哲的Tung表示，该项目最开始是一个数字孪生，以当前数据中心的能源消耗、计算要求和可持续发展目标为基准，让企业可以规划和对比各种云解决方案，包括碳排放目标、位置、能源和向清洁能源过渡的准备情况。

了解实质性的影响

Kirsch说，在建设完成之前，通常很难知道数据中心内的实际材料清单。在数据中心建设期间，团队会遇到各种可能需要偏离最初设计的情况。设计团队可以使用数字孪生规划所有现场条件，并指定所需的材料。

Kirsch说：“通过制定准确的材料清单，数据中心创建者和最终用户可以在施工开始之前就充分地了解需要使用的材料，以及对整体可持续性目标的影响。”

㈦ 数字孪生在新型智慧城市建设中的应用都有哪些

数字孪生在新型智慧城市建设中可以进行数字孪生流域建设、数字孪生排水管网、数字孪生桥梁防撞指挥等应用场景，进行数字化、精细化、可视化管理。

一、数字孪生流域政策环境：

2021年12月23日水利部召开推进数字孪生流域建设工作会议，水利部部长李国英提出：“数字孪生流域是以物理流域为单元、时空数据为底座、数学模型为核心、水利知识为驱动，对物理流域全要素和水利治理管理全过程的数字化映射、智能化模拟，实现与物理流域同步仿真运行、虚实交互、迭代优化”，同时强调以数字化、网络化、智能化为主线，以数字化场景、智慧化模拟、精准化决策为路径，以算据、算法、算力建设为支撑，加快推进数字孪生流域建设，实现预报、预警、预演、预案功能。

㈧ 如何在数字化转型中推进和实施数字孪生

从2017年和2019年Gartner将数字孪生（Digital Twin）作为十大战略性技术发布以来，数字孪生正在从虚拟产品生命周期管理、工业物联网专业技术，发展为企业数字化的核心通用技术。作为企业数字化通用技术，数字孪生为企告液租业的运营创新、产品与服务创新、商业模式创新、管理创新带来了新的机会，本文结合PLM、工业互联网及企业领域数字孪生技术的发展演进探讨如何规划和实施企业数字孪生战略。

数字孪生的技术演进：从虚拟产品技术到数字化战略技术

2021年上海车展特斯拉车主维权事件中，特斯拉分别向市场监管部门、维权的张女士发送了整理为Excel表格的48页6697组后台服务器数据，详细记录了车主在事故前30分钟的车辆状况和驾驶动作。

特斯拉的用户不仅可以通过特斯拉的数字孪生追溯设备的过去和当前使用状况，还可以发现，在使用过程中，特斯拉 汽车 的功能似乎越来越智能，特斯拉 汽车 似乎会越来越懂你。特斯拉通过数字孪生给用户提供了一种“持续智能”，可以持续适配用户、持续优化。特斯拉通过这种服务，每年可以从每辆特斯拉获得超过1200美元的收入。

要构建类似特斯拉这样的数字化产品、服务和商业模式，首先需要理解数字孪生技术的由来、发展及持续演进。数字孪生迄今经历了三个演进阶段：

1、虚拟产品管理发展阶段

2003年迈克尔·格里夫斯（Michael Greives）第一次提出将数字孪生（Digital Twin） 作为PLM的一个概念模型，将虚拟产品纳入PLM的管理范畴，重新定义了PLM。到2011年NASA将“数字孪生”（Digital Twin）列入美国航空航天发展规划，这个阶段是数字孪生的概念形成阶段。袜兆这个阶段数字孪生主要被定位为下一代PLM系统的“虚拟完美模型”（Virtually perfect Model）。

2、工业互联网发展阶段

2011年以来，GE公司发布雄心勃勃的工业互联网计划，随后，在GE和西门子、PTC等公司的倡导和支持下，数字孪生作为工业互联网的核心技术得到了前所未有的重视，这个阶段，无论是GE、PTC还是西门子，都不仅将数字孪生用于CAD、CAE、PLM等虚拟产品系统工程，还在设备（APM）、过程控制、网络等工业互联网各个领域以数字孪生和数字主线作为核心技术支持，各个厂商分别发布了设备、网络、过程、产品、生产、运营等不同应用场景数以百万计的数字孪生体。数字孪生通过工业互联网的发展进入到商用阶段，不过迄今大约只有1%的企业资产应用了数字孪生技术。

3、数字化战略技术发展阶段

2017年Gartner将数字孪生列入10大战略技术趋势，数字孪生从工业互联网的核心技术进一步发展为基于物联网的智慧城市和企业数字化的核心战略技术。数字孪生作为战略技术，从复杂系统工程（iMBSE）和工业互联网等特定领域发展为智慧城市和企业的数字化基础设施。Gartner数字孪生分为离散数字孪生、组合数字孪生、埋行组织数字孪生三个基本类型。产品数字孪生也好，设备数字孪生也好，实际都是一种离散的数字体，这样的数字孪生的作用是局部的，Gartner的建议实际是将这种离散的数字孪生能力“组装”起来，打造具备特定的业务模式和运营模式的组织数字孪生（DTO），让企业具备数字孪生的持续智能能力。这样，数字孪生就成为企业数字化的一种核心战略技术。

数字孪生实施路线：从离散可视、数据驱动到持续智能

数字孪生的概念虽然出现已久，但是在企业数字化转型中的应用还刚刚开始，即使引入数字孪生的企业也还处于试点和 探索 阶段。但是在未来一年内，65%的大型企业都表示会投入启动数字孪生项目。未来两到三年，是企业数字孪生建设的战略机遇期，有的放矢的拟定数字孪生战略，无疑将获得先行优势。

目前推行数字孪生的制造企业，基本有两条战略实施路线，一条是从产品数字孪生开始，基于产品数字孪生，实现虚拟样机、虚拟仿真，缩短产品研发周期，降低产品研发成本。典型代表是中车集团如中车株机；一条是设备和车间数字孪生开始，基于设备和车间数字孪生，实现透明化的装备生产、运维和服务。典型代表是树根互联参与的三一重工8号工厂；

从企业战略发展角度，为了实现通过数字孪生构建未来的竞争优势，企业的数字孪生的战略可以按照四个步骤展开：

1、第一阶段：实现离散数字孪生的连接与可见

离散数字孪生,是实现设备、人员等单一的资源数据连接和数据可视以实现资源优化的单一数字孪生体。这一阶段，基于边缘网络技术、设备及资源管理系统，通过选定的设备、流程、系统的数字化连接和数据采集、数字化标识、数字化监测，实现数字化设备、流程和系统的诊断、描述性分析和预测；目前在不少企业推行的RPA（流程机器人）其实也是一种离散数字孪生的应用。设备的离散数字孪生未来将主要通过设备供应商提供；流程的离散数字孪生主要通过应用软件服务商提供；

2、第二阶段：实现复合数字孪生的互联与数据驱动

复合数字孪生是基于内部离散数字孪生和外部数据资源复合而成的数字孪生体，如一条产线，一个端到端的服务线。数字孪生的复合过程不是简单的数据互通，包括基于 历史 数据的机器学习和模型训练、基于实时数据的模型实时运行和监测。所以复合数字孪生的能力是需要通过一个包括AI和大数据能力在内的物联网平台实现的。符合数字孪生一般通过企业个性化定制实现。

3、第三阶段：实现企业数字孪生的数据驱动与持续智能

企业数字孪生（DTO）重点是面向企业全流程，通过数据孪生监测和驱动的业务运行，形成一种可以持续自动采集、自动分析、自主执行、自主决策的数据驱动闭环。在2020年的战略技术趋势预测中，Gartner提出了一个“持续智能”的新概念刚好可以解释企业数字孪生的价值。持续智能指的是基于数字化在线平台实时获取数据流，实时进行情景分析并给出响应方案，实现决策与运营的一体化。企业数字孪生的的建设是一个系统工程，基本的建设内容包括全价值链的数据获取、模型构建、数据监测及支持持续智能的数据与分析平台建设。这种需求很多企业都是存在的，不过大多数企业因为不了解企业数字孪生的概念，可能将这个项目简单等同于大数据中心。

4、第四阶段：实现数字孪生的生态服务与价值共生

将产业上下游的数字孪生组织集合起来，就成为以链主为核心的产业数字孪生，如 汽车 制造商上下游数字孪生体集合起来就可以构成一个包括消费者、供应商、4S店及 社会 服务资源在内的 汽车 产业数字孪生。产业数字孪生将改变传统的产业协同关系，衍生出全新的基于数据和智能的生他服务和价值共生模式。个性化订制、网络化协同最终将体现在客户参与数字孪生、生态伙伴共享产业数字孪生的价值。

数字孪生的创新策略：模型驱动、架构引领， 探索 中前进

从离散数字孪生，复合数字孪生到企业数字孪生、生态数字孪生，数字孪生在企业的应用深度不断加深、实施的复杂性和应用的难度也会逐级加大。在实施的过程中必然面临不确定的风险，在行业内实际还缺少行之有效的数字孪生实施方法。

在复杂系统工程领域，有基于模型的系统工程方法（iMBSE）对产品定义、领域建模与仿真给出了方法论指导；

在虚实融合的数字化方法论层面，德国工业4.0参考架构、中美工业互联网参考架构也已经发表了发表了相关的架构框架。

但是在企业数字孪生领域，在面向企业运营和流程优化领域，原有的BPM（业务流程管理）的方法论已经不能支持模型驱动、虚实融合的数字化业务模式和运营模式创新需求，企业需要新的业务和运用模式优化方法论。

作者：金蝶软件（中国）有限公司

组稿：李艾离

本文内容仅代表作者观点，不构成购买或投资建议。

㈨ 从Siamse孪生网络到Sentence-BERT综述

文兄空本匹配一直是自然语言处理（NLP）领域一个基础且重要的方向，一般研究两段文本之间的关系。文本相似度计算、自然语言推理、问答系统、信息检索等，都可以看作针对不同数据和场景的文本匹配应用。

最近，我和小伙伴们参与了阿里天池““新冠疫情相似句对判定大赛”，比赛任务：根据真实场景下疫情相关的肺炎、支原体肺炎等患者提问句对，识别相似的患者问题，就是典型的文本相似匹配应用。 截止3月18日，我们团队在942支参赛队伍中排名第四。

借助比赛的机会，我重新系统梳理、总结了文本匹配的经验方法。本文将着重介绍文本匹配任务中的经典网络Siamse Network，它和近期预训练语言模型的组合使用，一些论文提及的调优技巧以及在此次比赛数据集上的效果检验等。

在正式开始介绍之前，我们先来看一个有趣的故事： 孪生网络的由来！

“Siamse”中的“Siam”袭尘森是古时泰国的称呼，中文译作暹罗，所以“Siamese”就是指“暹罗”人或“泰国”人。而“Siamese”在英语中是“孪生”的意思，这又是为什么呢？请看下图

十九世纪，泰国出生了一对连体婴儿“恩”和“昌”，当时的医学技术无法使两人分离出来，于是两人顽强地生活了一生。1829年他们被英国商人发现，进入马戏团，在全世界各地演出，1839年他们访问美国北卡罗莱那州成为“玲玲马戏团” 的台柱，最后成为美国公民。1843年4月13日跟英国一对姐妹结婚，恩生了10个小孩，昌生了12个。1874年，两人因病均于63岁离开了人间。他们的肝至今仍保存在费城的马特博物馆内。从此之后“暹罗双胞胎”（Siamese twins）就成了连体人的代名词，也因为这对双胞胎全世界开始重视这项特殊疾病。

由于结构具有鲜明的对称性，就像两个孪生兄弟，所以下图这种神经网络结构被研究人员称作“Siamese Network”，即孪生网络。

其中最能体现“孪生”的地方，在于网络具有相同的编码器（sentence encoder），即将文本转换为高维向量的部分（词嵌入）。网络随后对两段文本的特征进行交互，最后完成分类/相似预测。“孪生网络”结构简单，训练稳定，是很多文本任务不错的baseline模型。

孪生网络的具体用途是衡量两个输入文本的相似程度。例如，现在我们有两个文本 text1 和 text2，首先将文本分别输入 sentence encoder 进行特征提取和编码，将输入映射到新的空间得到特征向量 u和v；最终通过u、v的拼接组合，经过下游网络（比如全连接网络mlp）和激活函数来计算文本1和2的相似性。

整个过程有2个值得关注的点：
（1）在训练和测试过程中， 模型的编码器（sentence encoder）部分是权重共拍亩享的 ，这也是“孪生”一词的体现之处。编码器的选择非常广泛，传统的CNN、RNN和Attention、Transformer都可以。
（2）得到特征u、v后，可以直接使用距离公式，如cosine距离、欧式距离等得到两个文本的相似度。不过更通用的做法是，基于u和v构建用于建模两者匹配关系的特征向量，然后用额外的模型（mlp等）来学习通用的文本关系函数映射；毕竟我们的场景不一定只是衡量相似性，可能还有问答、蕴含等复杂任务。

基于孪生网络，还有人提出了 Triplet network 三连体网络。顾名思义，输入由三部分组成，文本1，和1相似的文本2，和1不相似的文本3。训练的目标非常朴素，期望让相同类别间的距离尽可能的小，让不同类别间的距离尽可能的大，即减小类内距，增大类间距。

自从2018年底Bert等预训练语言模型横空出世，NLP届的游戏规则某种程度上已经被大大更改了。在计算资源允许的条件下，Bert成为很多问题的优先选择；甚至有的时候，拿Bert跑一跑baseline，发现问题已经被解决了十之八九。

但是Bert的缺点也很明显，1.1亿参数量（base版本）使得预测、推理速度明显比CNN等传统网络慢了不止一个量级，对资源要求更高，也不适合处理某些任务。例如，从10000条句子中找到最相似的一对句子，由于可能的组合众多，需要完成49,995,000次推理计算；在一块现代V00GPU上使用Bert计算，将消耗65小时。

考虑到孪生网络的简洁有效，有没有可能将它和Bert强强联合取其精华呢？

当然可以，这正是论文 《Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks》 的工作，首次提出了 Sentence-Bert模型（以下简称SBert） 。SBert在众多文本匹配工作中（包括语义相似性、推理等）都取得了最优结果。更让人惊讶的是，前文所述的从10000条句子找最相似pair的任务，SBert仅需5秒就能完成！

让我们简短回顾此前Bert是怎么处理文本匹配任务的。

常规做法是将匹配任务转换成二分类任务（相似/不相似）。输入的两个文本拼接成一个序列（中间用一个特殊的符号“SEP”分割），经过12层（base-model）或24层（large-model）的multi-head Transformer模块编码后，将输出层的字向量取平均或者取第一个token位置“CLS”的特征作为句向量，经softmax完成最终分类。

但是论文作者 Nils Reimers 在实验中指出，这样的做法产生的结果并不理想（至少在处理语义检索和聚类问题时是如此），甚至往往比Glove词向量取平均的效果还差。

为了让Bert更好地利用文本信息，作者们在论文中提出了如下的SBert模型结构。是不是非常眼熟？对，这不就是之前见过的孪生网络嘛！

SBert沿用了孪生网络的结构，文本的encoder部分用同一个Bert来处理。之后，作者分别实验了CLS-token和2种池化策略（Avg-Pooling、Mean-Pooling），对Bert输出的字向量进行进一步特征提取、压缩，得到u、v。最后的u、v整合，作者提供了3种策略：
（1）针对分类任务，对u、v拼接组合，最后接入一个mlp网络，使用softmax进行分类输出，损失函数使用交叉熵；
（2）直接计算、输出余弦相似度；训练损失函数采取了均方根误差；
（3）如果输入的是三元组，论文种也给出了相应的损失函数。

总的来说，SBert直接使用Bert的原始权重进行初始化，在具体数据集上微调，训练过程和传统Siamse Network差异不大。但是这种训练方式能让Bert更好的捕捉句子之间的关系，生成更优质的句向量。在评估测试阶段，SBert直接使用余弦相似度来比较两个句向量之间的相似度，极大提升了推理速度。

有实验为证！作者在7个文本匹配相关的任务上做了对比实验，结果在其中的5个任务上，SBert都有更优表现。

此外，作者还做了一些有趣的消融实验。使用NLI和STS为代表的匹配数据集，在进行分类目标函数训练时，作者们测试了不同的整合策略，结果显示“(u, v, |u-v|)”的组合效果最好，这里面最重要的组成部分是元素差： （|u - v|) 。句向量之间的差异度量了两个句子嵌入的维度间的距离，确保相似的对更近，而不同的对更远。

此外，在Pool方法中，平均池化的效果要比另两种方法更好。

完善的实验过程帮助我们避免了不少坑。文章最后，作者对SBert和传统的一些句嵌入方法做了对比，SBert的计算效率要更高一些。其中的smart-batching是论文中的一个小trick，先将输入的文本按长度排序，这样同一个mini-batch的文本长度更加统一，padding填充处理时能显着减少填充的token。

我们将SBert模型在本次比赛的数据集上做了测试。使用数据增强后，线下的训练集和验证集数量分别是13,500和1000条句子组合。预训练模型权重选择的是roberta_wwm_large，训练过程中加入了对抗训练，通过在embedding层额外增加一些噪声点提升模型的泛化能力。

最终SBert单模型在线下验证集上的准确率是95.7%。直接使用Bert微调的方式，准确率为95.3%。

总的来说，我们做这次比赛的目的是为了积累更多的经验，尽可能将学术界的前沿算法和工业界结合，从而更好的将相关技术在实际项目中落地。

本文总体介绍了文本匹配任务中常用的网络结构Siamse Network，以及在此基础上改进而来的Sentence-BERT模型。

Siamse Network 简洁的设计和平稳高效训练非常适合作为文本匹配任务的baseline模型，包括不限于问答对话、文本蕴含、文本相似等任务；如果孪生网络不能有效解决，可以再尝试其他更复杂的模型。SBert则充分利用了孪生网络的优点和预训练语言模型强大的特征抽取优势，在众多匹配任务上取得了最优实验结果。

抛开具体任务不谈，SBert 可以帮助我们生成更好的句向量，在一些任务上可能产生更优结果。在推理阶段，SBert直接计算余弦相似度的方式，大大缩短了预测时间；在语义检索、信息搜索等任务中预计会有不错表现。同时， 得益于生成的高质量句嵌入特征，SBert也非常适合做文本聚类、新FAQ发现等工作。